The abstractions of modernity

Para Hair Jr. et al. (2009), Modelagem de Equações Estruturais – MEE, permite que o pesquisador examine a estrutura das inter-relações expressas em uma série de equações, as quais descrevem todas as relações entre os constructos envolvidos na análise. Assim, o objetivo estatístico das equações estruturais é testar o conjunto de relações que representam as múltiplas equações, analisando a matriz de covariância entre as variáveis medidas (HAIR JR et al., 2009).

Utilizando a técnica de MEE, foi possível que o modelo teórico proposto neste trabalho fosse comparado a modelos alternativos, testando assim as hipóteses da pesquisa e propondo um modelo que se ajustasse melhor à realidade encontrada no campo. A técnica da MEE foi eleita para esta pesquisa. Conforme sugere Codes (2005), enquanto procedimentos clássicos de análise de dados modelam apenas mensurações observáveis, as análises da MEE incorporam tanto variáveis não observáveis quanto observáveis, fazendo com que o método seja recomendado em estudos que trabalham com conceitos abstratos, como é o caso desta pesquisa.

Como Hair Jr et al. (2009, p.543) esclarecem, A MEE é “uma família de modelos estatísticos que buscam explicar as relações entre múltiplas variáveis”, e por isto existem diversas técnicas que podem ser utilizadas para modelagem das equações. Uma delas é a MEEPLS, que segundo Hair Jr et al. (2014b), apresenta diversas características que podem ajudar em alguns tipos de pesquisa. No caso específico desta pesquisa, conforme sugerido por

estes autores, pode-se dizer que a MEEPLS atende às necessidades especificas aqui apresentadas, pois não exige a normalidade dos dados e oferece poder estatístico satisfatório mesmo com amostras pequenas, além de atender ao objetivo de oferecer análises mais acuradas quando se quer propor modelos de predição.

Além das evidências apresentadas pela amostra e pelos objetivos desta pesquisa que conduzem à escolha da MEEPLS, destaca-se ainda que esta técnica tem apresentado resultados bem sucedidos em diversas pesquisas acadêmicas, incluindo pesquisas na área de marketing e gestão (ZWICKER; SOUZA; BIDO, 2008). Por exemplo, mesmo sem apresentação de normalidade na amostra, o trabalho de Ozaki, Fonseca e Wright (2013) obteve resultados satisfatórios com o uso da MEEPLS. Já Hojo e Mingoti (2004) realizaram simulações entre três tipos de MEE: ML (Máxima verossimilhança), ULS (caso particular do GLS – Mínimos quadrados Generalizados) e PLS. As pesquisadoras verificaram que o método PLS produziu melhores resultados na presença da multicolinearidade. Além disto, identificaram que no método PLS não houve diferença significativas entre os resultados obtidos para amostras de 50, 200 ou 1000 respondentes.

De forma simplificada, na MEEPLS calculam-se as correlações entre os constructos e suas variáveis mesuradas ou observadas ou itens (modelos de mensuração) e em seguida são realizadas regressões lineares entre constructos (modelos estruturais). Assim, consegue-se estimar modelos mais complexos com número menor de dados (BIDO; SILVA; RINGLE, 2014). A seguir, são apresentados os parâmetros que guiaram a análise da MEEPLS neste trabalho.

1.1.1.2. Parâmetros da MEEPLS

Após a geração do modelo de especificação e a validação da confiabilidade e da validade, iniciou-se a avaliação das relações hipotéticas dentro do modelo. A MEEPLS não apresenta um GOF (Good-of-Fitness: medida que indica o quão bem um modelo especificado reproduz a matriz de covariância entre os indicadores). Para a MEEPLS, a avaliação da qualidade do modelo é baseada na sua capacidade de prever os constructos endógenos (HAIR JR et al., 2014a), o que é essencial para o alcance dos objetivos desta pesquisa, em especial no que tange aos constructos endógenos sugeridos: valor percebido, satisfação e intenção de recompra.

Para a avaliação dos constructos endógenos, Hair Jr et al. (2014a) sugerem os critérios de Coeficiente de Determinação (R2), Coeficiente de Redundância Cross-validado (Q2), Coeficientes de caminho (ƿ) e Tamanho do efeito (f2_{), a seguir definidos em seus parâmetros.}

a) Coeficiente de Determinação (R2₎

Representa uma medida de precisão do modelo preditivo, e varia de 0 a 1. Para a área de ciências sociais e comportamentais, Cohen (1988) sugere que R2=2% seja classificado como efeito pequeno, R2=13% como efeito médio e R2=26% como efeito grande (COHEN, 1988). Hair Jr et al. (2014b) sugerem cuidado na avaliação do R2, pois este não pode ser considerado um critério único de avaliação de um modelo preditivo. Tais autores alertam que a dependência de R2 pode resultar na seleção de um modelo menos eficiente, pois o R2 aumentará, por exemplo, se um constructo correlacionado, apesar de não significante, for incluído ao modelo. Para minimizar o problema, Hair Jr et al. (2014b) sugerem que a decisão do modelo baseie-se no R2 ajustado, o qual penaliza a complexidade crescente do modelo, e colabora com a análise de um modelo mais parcimonioso, ou seja: com menos constructos exógenos.

b) Coeficiente de Redundância Cross-validado (Q2₎

Representa um meio para avaliar a importância de previsão do modelo criado pelas variáveis endógenas. Tal medida se baseia em uma técnica de reutilização da amostra, que omite uma parte da matriz de dados, estima os parâmetros do modelo e prevê a parte omitida usando as estimativas. Quanto menor a diferença entre os valores previstos e originais, maior o Q2 e, assim, acurácia preditiva do modelo. Especificamente, um valor de Q2>0 para um constructo endógeno particular indica relevância do modelo preditivo de caminhos para este constructo.

c) Coeficientes de caminho (ƿ)

Representam as possíveis relações que ligam os construtos.Os valores dos coeficientes de caminho são padronizados em um intervalo de +1 a -1, com coeficientes mais perto de +1 representando fortes relações positivas e coeficientes mais perto de -1, indicando fortes relações negativas. Embora os valores próximos de +1 ou -1 são quase sempre

estatisticamente significativos, um erro padrão deve ser obtido usando Bootstrapping para testar a significância. Depois de verificar se as relações são significativas, o pesquisador deve considerar a relevância das relações significativas.

Vale ressaltar que para esta pesquisa, para avaliar a significância estatística, serão utilizados os efeitos totais dos caminhos, que são a soma dos efeitos diretos e indiretos.

d) Tamanho do efeito (f2)

Calculado anotando a alteração em R2 quando um constructo exógeno específico é eliminado do modelo e seu impacto nos constructos endógenos. Para calcular o f2, deve-se estimar dois modelos de caminho PLS. O primeiro modelo de caminho deve ser o modelo completo conforme especificado pelas hipóteses, produzindo o R2 do modelo completo. O segundo modelo deve ser idêntico, exceto que um constructo exógeno selecionado é eliminado do modelo, obtendo-se o R2 do modelo reduzido. Com base no valor f2, o tamanho do efeito do constructo exógeno omitido em um constructo endógeno particular pode ser determinado de tal modo que 0,02, 0,15, 0,35 e representam pequenos, médios e grandes efeitos, respectivamente. Isto é, se uma construção exógena contribui fortemente para a explicação de uma construção endógena, a diferença entre R2 incluído e R2 excluído será alta, levando a um elevado valor de f2.

O sistema computacional utilizado para realizar a análise fatorial foi o SMARTPLS 2.0 M3 (SMARTPLS, 2005), escolha motivada principalmente devido à disponibilização gratuita e amplo uso em outras pesquisas, o que permite comparabilidade de resultados. A seguir os dados da pesquisa serão apresentados e analisados.